数值型检验指标
<p>[TOC]</p>
<pre><code class="language-python">import pandas as pd
import meteva.method as mem
import meteva.base as meb
import meteva.product as mpd
import meteva.perspact as mps # 透视分析模块
import datetime
import meteva
import numpy as np
import os
import traceback</code></pre>
<h1>检验指标分类统计_df</h1>
<p><strong><font face="黑体" color=blue size = 3>score_df(df_mid,method,s = None,g = None,gll_dict = None,plot = None,** kwargs)</font></strong><br />
根据pandas.DataFrame格式的检验中间量，分类计算检验指标</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>df_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a>,<a href="https://www.showdoc.cc/nmc?page_id=2859693269266585">多分类预报</a>,<a href="https://www.showdoc.cc/nmc?page_id=3651805946039771">概率预报</a>,<a href="https://www.showdoc.cc/nmc?page_id=3629735872716279">集合预报</a>等类别中的评分函数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>g</strong></td>
<td style="text-align: left;">用于分组检验的参数，它可以是字符串，表示按单一维度分类,也可也是字符串的列表，表示同时按多个维度进行分类。对于单个分类参数，具体用法可参见meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>g</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式，单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>plot</strong></td>
<td style="text-align: left;">是否需要直接将检验结果绘制图片，该参数为None时不绘制，当参数为"bar"时绘制柱状图，当参数为"plot"或"line"时绘制线条图</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.bar或meteva.base.plot 中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回一个元组，其包含2个元素，其中第0个元素是数值检验指标的numpy数组，第1个元素是对numpy数组的维度描述字典</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">#加载整理好的观测预报数据
path = r&quot;H:\test_data\input\mps\rain24.h5&quot;
sta_all = pd.read_hdf(path)
print(sta_all)</code></pre>
<pre><code> level time dtime id lon lat OBS \
200113 0 2022-07-11 08:00:00 24 50136 122.52 52.97 0.0
200114 0 2022-07-11 08:00:00 24 50137 122.37 53.47 1.1
200115 0 2022-07-11 08:00:00 24 50246 124.72 52.35 7.1
200116 0 2022-07-11 08:00:00 24 50247 123.57 52.03 1.0
200117 0 2022-07-11 08:00:00 24 50349 124.40 51.67 1.3
... ... ... ... ... ... ... ...
96435 0 2022-07-20 08:00:00 72 59945 109.70 18.65 0.0
96436 0 2022-07-20 08:00:00 72 59948 109.58 18.22 0.0
96437 0 2022-07-20 08:00:00 72 59951 110.33 18.80 0.0
96438 0 2022-07-20 08:00:00 72 59954 110.03 18.55 0.0
96439 0 2022-07-20 08:00:00 72 59981 112.33 16.83 0.0
ECMWF SCMOC
200113 5.447 0.96
200114 2.250 1.06
200115 4.791 0.51
200116 6.302 0.77
200117 0.961 0.68
... ... ...
96435 999999.000 0.97
96436 999999.000 1.36
96437 999999.000 1.52
96438 999999.000 1.32
96439 999999.000 0.00
[126128 rows x 9 columns]</code></pre>
<pre><code class="language-python">#加载水平站点的分组方式。
#分组参数需要是一个包含两列的DataFrame，第一列是站号，第二列是每个站号的分类标签
#例如，当需要将站点按省分类时，每个站点的分类标签就是省份名称。
path = r&quot;H:\test_data\input\mps\station_id_province_name.dat&quot;
id_province = pd.read_csv(path, sep=&quot;\\s+&quot;, header=None, usecols=[3, 4])
id_province.columns = [&quot;id&quot;, &quot;province&quot;]
print(id_province)</code></pre>
<pre><code> id province
0 54398 北京
1 54399 北京
2 54406 北京
3 54416 北京
4 54419 北京
... ... ...
37139 899209 新疆
37140 899211 新疆
37141 899223 新疆
37142 899233 新疆
37143 899533 新疆
[37144 rows x 2 columns]</code></pre>
<pre><code class="language-python">#统计检验中间量
df_hfmc = mps.middle_df_sta(sta_all,meteva.method.hfmc,grade_list=[0.1,10,25,50,100,250],gid=id_province)
print(df_hfmc) # 结果中H\F\M\C分别代表命中、空报、漏报、报无未出的样本数。</code></pre>
<pre><code> time dtime member province grade H F M C
0 2022-07-11 08:00:00 24 ECMWF 北京 0.1 15.0 0.0 0.0 0.0
1 2022-07-11 08:00:00 24 ECMWF 北京 10.0 0.0 0.0 6.0 9.0
2 2022-07-11 08:00:00 24 ECMWF 北京 25.0 0.0 0.0 0.0 15.0
3 2022-07-11 08:00:00 24 ECMWF 北京 50.0 0.0 0.0 0.0 15.0
4 2022-07-11 08:00:00 24 ECMWF 北京 100.0 0.0 0.0 0.0 15.0
.. ... ... ... ... ... ... ... ... ...
181 2022-07-20 08:00:00 72 SCMOC 新疆 10.0 0.0 0.0 0.0 88.0
182 2022-07-20 08:00:00 72 SCMOC 新疆 25.0 0.0 0.0 0.0 88.0
183 2022-07-20 08:00:00 72 SCMOC 新疆 50.0 0.0 0.0 0.0 88.0
184 2022-07-20 08:00:00 72 SCMOC 新疆 100.0 0.0 0.0 0.0 88.0
185 2022-07-20 08:00:00 72 SCMOC 新疆 250.0 0.0 0.0 0.0 88.0
[16740 rows x 9 columns]</code></pre>
<pre><code class="language-python">#g = [&quot;grade&quot;,&quot;model&quot;,&quot;dtime&quot;] 表示依次按照 grade,model和dtime 进行多分类的检验,不区分时间，也不区分省份
#绘图时，最后一个分类维度会成为横坐标，到时第二个会成为legend，更前面的会成为subplot
score_array,g_name_dict = mps.score_df(df_hfmc,mem.ts,g = [&quot;grade&quot;,&quot;member&quot;,&quot;dtime&quot;],plot = &quot;bar&quot;)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=37c69343095ce0db79078b340ed1f78c&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">print(g_name_dict) #多维度分类的分类名称和标签
print(score_array.shape) #平均结果的shape
print(score_array) #具体的评分值， 999999代表数据缺失或0/0的情况</code></pre>
<pre><code>{'grade': array([1.0e-01, 1.0e+01, 2.5e+01, 5.0e+01, 1.0e+02, 2.5e+02]), 'member': array(['ECMWF', 'SCMOC'], dtype=object), 'dtime': [24, 48, 72]}
(6, 2, 3)
[[[5.66632155e-01 5.64092225e-01 9.99999000e+05]
[6.36637435e-01 6.30343330e-01 6.20889081e-01]]
[[4.09935058e-01 3.61929710e-01 9.99999000e+05]
[4.16827438e-01 3.64711082e-01 3.71160505e-01]]
[[3.04871661e-01 2.36801242e-01 9.99999000e+05]
[3.19990954e-01 2.60084138e-01 2.42332831e-01]]
[[1.96384552e-01 1.02092050e-01 9.99999000e+05]
[2.57264352e-01 1.36645963e-01 1.10217216e-01]]
[[3.20512821e-02 2.06896552e-02 9.99999000e+05]
[7.72946860e-02 2.68817204e-02 3.27868852e-02]]
[[0.00000000e+00 0.00000000e+00 9.99999000e+05]
[9.99999000e+05 9.99999000e+05 9.99999000e+05]]]</code></pre>
<pre><code class="language-python">#更换分组的顺序，绘图方式也自动跟着调整
score_array,g_name_dict = mps.score_df(df_hfmc,mem.ts,g = [&quot;dtime&quot;,&quot;grade&quot;,&quot;member&quot;],plot = &quot;bar&quot;)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=f60464a88063c0091c0a61ef80519cb0&amp;file=file.png" alt="" /></p>
<pre><code class="language-python"># 所有基于hfmc计算的检验指标，都可以基于df_hfmc来计算，例如下面是计算bias的方法
score_array,g_name_dict = mps.score_df(df_hfmc,mem.bias,g = [&quot;dtime&quot;,&quot;grade&quot;,&quot;member&quot;],plot = &quot;bar&quot;)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=eb3b28116c2419faf47cc39fa6ad4a30&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#s = {&quot;dtime&quot;:24} 表示只选取24小时时效的数据进行统计
#g = [&quot;grade&quot;,&quot;model&quot;,&quot;province&quot;] 表示依次按照 grade,model和dtime 进行多分类的检验，不区分时间维度
score_array,g_name_dict = mps.score_df(df_hfmc,mem.ts,s = {&quot;dtime&quot;:24},g = [&quot;grade&quot;,&quot;member&quot;,&quot;province&quot;],plot = &quot;line&quot;,
spasify_xticks = 1)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=17d99de362616b079c77db933b6f2ad7&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#s = {&quot;dtime&quot;:24,&quot;grade&quot;:[25]} 表示只选取24小时时效的25毫米等级进行分析
#g = [&quot;model&quot;,&quot;time&quot;] 表示依次按照 model和time 进行多分类的检验
score_array,g_name_dict = mps.score_df(df_hfmc,mem.ts,s = {&quot;dtime&quot;:24,&quot;grade&quot;:[25]},g = [&quot;member&quot;,&quot;time&quot;],plot = &quot;line&quot;)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=14234d0bd3d1d80dd0a96fea8a7fea0e&amp;file=file.png" alt="" /></p>
<pre><code class="language-python"># 对观测和预报的事件频率进行统计
score_array,g_name_dict = mps.score_df(df_hfmc,mem.ob_fo_hr,g=[&quot;grade&quot;,&quot;member&quot;,&quot;dtime&quot;],
plot = &quot;bar&quot;,vmin = 0)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=23248e49045f66416f5f6a9353e67977&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#统计用于平均误差、平均绝对误差和均方根误差所需的中间量
df_tase = mps.middle_df_sta(sta_all,meteva.method.tase,gid=id_province)
print(df_tase) # 结果中T\E\A\S分别代表总样本数，误差总和、绝对误差总和、误差平方和</code></pre>
<pre><code> time dtime member province T E A \
0 2022-07-11 08:00:00 24 ECMWF 北京 15.0 -57.290 64.394
1 2022-07-11 08:00:00 24 ECMWF 天津 11.0 236.114 254.426
2 2022-07-11 08:00:00 24 ECMWF 河北 142.0 517.643 1761.689
3 2022-07-11 08:00:00 24 ECMWF 山西 107.0 642.745 1827.355
4 2022-07-11 08:00:00 24 ECMWF 辽宁 55.0 2.689 7.621
.. ... ... ... ... ... ... ...
26 2022-07-20 08:00:00 72 SCMOC 内蒙古 107.0 -239.270 381.790
27 2022-07-20 08:00:00 72 SCMOC 西藏 39.0 68.820 86.900
28 2022-07-20 08:00:00 72 SCMOC 青海 43.0 0.930 0.930
29 2022-07-20 08:00:00 72 SCMOC 宁夏 19.0 -1.700 1.700
30 2022-07-20 08:00:00 72 SCMOC 新疆 88.0 -8.390 9.930
S
0 326.258558
1 9374.976760
2 45901.448617
3 55506.393427
4 6.624533
.. ...
26 6130.694300
27 560.525200
28 0.349100
29 2.890000
30 25.391500
[2790 rows x 8 columns]</code></pre>
<pre><code class="language-python">score_array,g_name_dict = mps.score_df(df_tase,mem.rmse,g = [&quot;dtime&quot;,&quot;member&quot;,&quot;time&quot;],plot = &quot;line&quot;,ncol = 3)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=ebad81d0d5eeeaa5d09d45b774388e87&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#统计用于平均误差、平均绝对误差和均方根误差所需的中间量
df_hfmc_sr = mps.middle_df_sta(sta_all,meteva.method.hfmc_of_sun_rain,gid=id_province)
print(df_hfmc_sr) # 结果中Hsr\Fsr\Msr\Csr分别代表有雨样本的命中、空报、漏报、报无未出的样本数。</code></pre>
<pre><code> time dtime member province Hsr Fsr Msr Csr
0 2022-07-11 08:00:00 24 ECMWF 北京 15.0 0.0 0.0 0.0
1 2022-07-11 08:00:00 24 ECMWF 天津 11.0 0.0 0.0 0.0
2 2022-07-11 08:00:00 24 ECMWF 河北 129.0 11.0 2.0 0.0
3 2022-07-11 08:00:00 24 ECMWF 山西 106.0 1.0 0.0 0.0
4 2022-07-11 08:00:00 24 ECMWF 辽宁 4.0 8.0 2.0 41.0
.. ... ... ... ... ... ... ... ...
26 2022-07-20 08:00:00 72 SCMOC 内蒙古 56.0 17.0 5.0 29.0
27 2022-07-20 08:00:00 72 SCMOC 西藏 12.0 11.0 0.0 16.0
28 2022-07-20 08:00:00 72 SCMOC 青海 0.0 3.0 0.0 40.0
29 2022-07-20 08:00:00 72 SCMOC 宁夏 0.0 0.0 1.0 18.0
30 2022-07-20 08:00:00 72 SCMOC 新疆 4.0 0.0 3.0 81.0
[2790 rows x 8 columns]</code></pre>
<pre><code class="language-python">score_array,g_name_dict = mps.score_df(df_hfmc_sr,mem.pc_of_sun_rain,g = [&quot;member&quot;,&quot;dtime&quot;],plot = &quot;bar&quot;,vmin =0,tag= 2)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=ffd8b256f56597fe3bd2924bbadeaf89&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#统计用于相关系数所需的中间量
df_tmmsss = mps.middle_df_sta(sta_all,meteva.method.tmmsss,gid=id_province)
print(df_tmmsss) # 结果中T\MX\MY\SX\SY\SXY分别表示总样本数，观测平均、预报平均、观测方差、预报方差、观测预报协方差</code></pre>
<pre><code> time dtime member province T MX MY \
0 2022-07-11 08:00:00 24 ECMWF 北京 15.0 8.580000 4.760667
1 2022-07-11 08:00:00 24 ECMWF 天津 11.0 13.054545 34.519455
2 2022-07-11 08:00:00 24 ECMWF 河北 142.0 27.397183 31.042556
3 2022-07-11 08:00:00 24 ECMWF 山西 107.0 31.512150 37.519112
4 2022-07-11 08:00:00 24 ECMWF 辽宁 55.0 0.069091 0.117982
.. ... ... ... ... ... ... ...
26 2022-07-20 08:00:00 72 SCMOC 内蒙古 107.0 3.779439 1.543271
27 2022-07-20 08:00:00 72 SCMOC 西藏 39.0 1.756410 3.521026
28 2022-07-20 08:00:00 72 SCMOC 青海 43.0 0.000000 0.021628
29 2022-07-20 08:00:00 72 SCMOC 宁夏 19.0 0.089474 0.000000
30 2022-07-20 08:00:00 72 SCMOC 新疆 88.0 0.170455 0.075114
SX SY SXY
0 9.590933 3.599770 3.013720
1 27.453388 512.127872 74.026484
2 627.142668 677.666985 497.424380
3 1105.536955 681.324876 652.097045
4 0.083226 0.087628 0.026399
.. ... ... ...
26 52.432474 3.447757 1.792235
27 22.583997 24.258666 17.792045
28 0.000000 0.007651 0.000000
29 0.144100 0.000000 0.000000
30 0.497309 0.127011 0.172435
[2790 rows x 10 columns]</code></pre>
<pre><code class="language-python">score_array,g_name_dict = mps.score_df(df_tmmsss,mem.corr,g = [&quot;member&quot;,&quot;dtime&quot;],plot = &quot;bar&quot;,vmin =0,tag= 2)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=129e99aacddac88de2bca103e3e732d6&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">wind_all = pd.read_hdf(r&quot;H:\test_data\input\mps\wind.h5&quot;)
print(wind_all)</code></pre>
<pre><code> level time dtime id lon lat u \
115728 0 2022-08-14 08:00:00 12 50136 122.52 52.97 0.554585
115729 0 2022-08-14 08:00:00 12 50137 122.37 53.47 0.583025
115730 0 2022-08-14 08:00:00 12 50246 124.72 52.35 0.311893
115731 0 2022-08-14 08:00:00 12 50247 123.57 52.03 0.461026
115732 0 2022-08-14 08:00:00 12 50349 124.40 51.67 -0.000000
... ... ... ... ... ... ... ...
120545 0 2022-08-17 20:00:00 48 59945 109.70 18.65 999999.000000
120546 0 2022-08-17 20:00:00 48 59948 109.58 18.22 999999.000000
120547 0 2022-08-17 20:00:00 48 59951 110.33 18.80 999999.000000
120548 0 2022-08-17 20:00:00 48 59954 110.03 18.55 999999.000000
120549 0 2022-08-17 20:00:00 48 59981 112.33 16.83 999999.000000
v u_ECMWF v_ECMWF u_CMA_GFS v_CMA_GFS
115728 0.576572 -0.32674 1.29144 0.535734 1.963796
115729 1.702963 -2.30537 -0.37547 1.381558 -1.434272
115730 -0.950117 -0.13760 -0.65160 0.626104 1.642932
115731 1.427395 -1.05139 0.90468 0.640829 1.452986
115732 -0.200000 -0.16590 0.86740 1.134700 1.234552
... ... ... ... ... ...
120545 999999.000000 -0.36900 0.47650 0.138500 0.953140
120546 999999.000000 -2.11516 -1.77504 0.743881 1.147462
120547 999999.000000 -0.54240 0.10290 1.073980 2.832952
120548 999999.000000 -0.76325 0.34185 0.999144 1.847300
120549 999999.000000 -0.99463 4.39954 -0.359742 4.394487
[69919 rows x 12 columns]</code></pre>
<pre><code class="language-python">df_nasws = mps.middle_df_sta(wind_all,mem.nasws_uv) #风速检验相关中间量
df_nas = mps.middle_df_sta(wind_all,mem.nas_uv) #风向检验相关中间量
df_na = mps.middle_df_sta(wind_all,mem.na_uv) #风向风速综合评分相关中间量</code></pre>
<pre><code class="language-python">acs = mps.score_df(df_nasws,mem.acs_uv,g = [&quot;member&quot;]) #风速准确率
scs = mps.score_df(df_nasws,mem.scs_uv,g = [&quot;member&quot;]) #风速评分
sr = mps.score_df(df_nasws,mem.wind_severer_rate_uv,g = [&quot;member&quot;]) #风速偏强率
wr = mps.score_df(df_nasws,mem.wind_weaker_rate_uv,g = [&quot;member&quot;]) #风速偏弱率
acd = mps.score_df(df_nas,mem.acd_uv,g = [&quot;member&quot;]) #风向准确率
scd = mps.score_df(df_nas,mem.scd_uv,g = [&quot;member&quot;]) #风向评分
acz = mps.score_df(df_na,mem.acz_uv,g = [&quot;member&quot;,&quot;dtime&quot;],
plot =&quot;bar&quot;,vmin = 0,tag = 2)#风向风速综合评分</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=cd9561d63fcc441c98cd1eb36edce05e&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#基于风速数据检验风速相关指标
speed,_ = meb.wind_to_speed_angle(wind_all)
df_nasws1 = mps.middle_df_sta(speed,mem.nasws_s) #风速检验相关中间量
acs = mps.score_df(df_nasws1,mem.acs,g = [&quot;member&quot;]) #风速准确率
scs = mps.score_df(df_nasws1,mem.scs,g = [&quot;member&quot;]) #风速评分
sr = mps.score_df(df_nasws1,mem.wind_severer_rate,g = [&quot;member&quot;]) #风速偏强率
wr = mps.score_df(df_nasws1,mem.wind_weaker_rate,g = [&quot;member&quot;,&quot;dtime&quot;],
plot =&quot;bar&quot;,vmin = 0,tag = 3) #风速偏弱率</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=a18b33b590ec8caf9ddb9fad7bf29eba&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">df_mid = pd.read_hdf(r&quot;H:\test_data\input\mps\tase_q.h5&quot;)
print(df_mid)</code></pre>
<pre><code> level time dtime member id T E A \
0 1000.0 2023-08-01 0 ctrl 0 9.956651 -0.184613 0.229690
0 1000.0 2023-08-01 0 ctrl 10240 99.414590 0.736171 1.259274
0 1000.0 2023-08-01 0 ctrl -79870 9.572536 0.210331 0.210331
0 1000.0 2023-08-01 0 ctrl 90120 7.836054 -0.037519 0.053548
0 1000.0 2023-08-01 0 ctrl 10 99.566513 -0.030892 0.930549
.. ... ... ... ... ... ... ... ...
0 10.0 2023-08-31 240 test -69650 26.690270 -0.010925 0.010925
0 10.0 2023-08-31 240 test 90100 7.836054 0.000157 0.000157
0 10.0 2023-08-31 240 test 10230 99.414590 0.001392 0.001490
0 10.0 2023-08-31 240 test -79880 9.572536 -0.004874 0.004874
0 10.0 2023-08-31 240 test 90110 7.836054 0.000235 0.000235
S
0 9.904156e-03
0 3.023796e-02
0 5.257718e-03
0 5.331830e-04
0 1.571608e-02
.. ...
0 4.829781e-06
0 3.756844e-09
0 3.290680e-08
0 2.589900e-06
0 7.473262e-09
[14311008 rows x 9 columns]</code></pre>
<pre><code class="language-python">result = mps.score_df(df_mid,mem.rmse,g = [&quot;level&quot;,&quot;member&quot;,&quot;dtime&quot;],plot = &quot;line&quot;,ncol = 5)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=0ca40014b80944ad94430e1154679880&amp;file=file.png" alt="" /></p>
<h1>检验指标的垂直廓线</h1>
<p>采用score_df 分类统计函数功能可以绘制检验指标的廓线分布图，只需在分组参数g的取值列表的最末尾是level， 绘图参数设置为 lineh即可，例如下面的示例</p>
<pre><code class="language-python">result = mps.score_df(df_mid,mem.rmse,s ={&quot;dtime&quot;:[72,120,240]},g = [&quot;dtime&quot;,&quot;member&quot;,&quot;level&quot;],plot = &quot;lineh&quot;,ncol = 3)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=d3157c62086d0a46d8f79e8604b7d060&amp;file=file.png" alt="" /></p>
<h1>检验指标水平分布_df</h1>
<p><strong><font face="黑体" color=blue size = 3>score_xy_df(df_mid,method,s = None,g = None,gll_dict = None,save_path = None,** kwargs)</font></strong><br />
根据pandas.DataFrame格式的检验中间量，分类计算检验指标，绘制成平面图</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>df_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>g</strong></td>
<td style="text-align: left;">用于分组检验的参数，它是一个字符串，通常是df_mid 中除了id之外的列的列名称</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式,或者调整不同分组的排列顺序，例如通过设置gll_dict = {"member":["CMA_GFS","ECMWF"]},可以控制绘图结果中"CMA_GFS"在前,"ECMWF"在后。单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>save_path</strong></td>
<td style="text-align: left;">生成的图片的保存路径</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.contourf_2d_grid中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回DataArray数据，其中记录了每块区域上的检验值</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">#根据中间结果绘制检验指标的空间分布，按模式名称分类检验，并绘制不同子图中
result = mps.score_xy_df(df_mid,mem.mae,s = {&quot;level&quot;:850},g=&quot;member&quot;,ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=7945e4e417127e0cd781067fedeb8082&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#选取部分区域进行统计和绘图
result = mps.score_xy_df(df_mid,mem.mae,s = {&quot;level&quot;:850,&quot;dtime&quot;:120,&quot;lon&quot;:[70,140],&quot;lat&quot;:[0,60]},
g=&quot;member&quot;,ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=24fad10b9b07850b07c8a2734d4404c7&amp;file=file.png" alt="" /></p>
<h1>检验指标技巧水平分布_df</h1>
<p><strong><font face="黑体" color=blue size = 3>score_xy_df_delta(df_mid,method,reference_member,s = None,gll_dict = None,save_path = None,**kwargs)</font></strong><br />
根据pandas.DataFrame格式的检验中间量，计算检验指标的平面分布场，再以其中1个模式的评分场作为基准，将其他模式的评分相对该基准的正负偏差</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>df_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>reference_member </font></strong></td>
<td style="text-align: left;">被选择基准的模式的名称</td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式,或者调整不同分组的排列顺序，例如通过设置gll_dict = {"member":["CMA_GFS","ECMWF"]},可以控制绘图结果中"CMA_GFS"在前,"ECMWF"在后。单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>save_path</strong></td>
<td style="text-align: left;">生成的图片的保存路径</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.contourf_2d_grid中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回DataArray数据，其中记录了每块区域上的检验值</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">#选取一个模式的结果作为基准，绘制其它模式相对于它的平方相对大小。 例如下面结果中右图 是 test的rmse - ctrl的rmse
result = mps.score_xy_df_delta(df_mid,mem.rmse,reference_member = &quot;ctrl&quot;,s = {&quot;level&quot;:850,&quot;dtime&quot;:120},
ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=cce7423f9722ad8d3e366f8a607b71b8&amp;file=file.png" alt="" /></p>
<h1>检验指标纬向剖面_df</h1>
<p><strong><font face="黑体" color=blue size = 3>score_xz_df(df_mid,method,s = None,g = None,gll_dict = None,save_path = None,plot = True,**kwargs)</font></strong><br />
根据pandas.DataFrame格式的检验中间量，分类计算检验指标，绘制成平面图</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>df_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>g</strong></td>
<td style="text-align: left;">用于分组检验的参数，它是一个字符串，通常是df_mid 中除了id之外的列的列名称</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式,或者调整不同分组的排列顺序，例如通过设置gll_dict = {"member":["CMA_GFS","ECMWF"]},可以控制绘图结果中"CMA_GFS"在前,"ECMWF"在后。单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>save_path</strong></td>
<td style="text-align: left;">生成的图片的保存路径</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.contourf_2d_grid中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回DataArray数据，其中记录了每块区域上的检验值</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">#根据中间结果绘制检验指标的纬向剖面分布，按模式名称分类检验，并绘制不同子图中
result = mps.score_xz_df(df_mid,mem.mae,s = {&quot;dtime&quot;:120},g = &quot;member&quot;,
ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=5557b2e8cc2ac1011d63cc3e24705517&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#绘制剖面时可以选取一个区域，也可选取某一个纬度的数据的结果进行检验
result = mps.score_xz_df(df_mid,mem.mae,s = {&quot;dtime&quot;:120,&quot;lat&quot;:40},g = &quot;member&quot;,
ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=da552b7366062ba33474ad737727beda&amp;file=file.png" alt="" /></p>
<h1>检验指标技巧纬向剖面_df</h1>
<p><strong><font face="黑体" color=blue size = 3>score_xz_df_delta(df_mid,method,reference_member,s = None,gll_dict = None,save_path = None,**kwargs)</font></strong><br />
根据pandas.DataFrame格式的检验中间量，计算检验指标的剖面分布场，再以其中1个模式的评分场作为基准，将其他模式的评分相对该基准的正负偏差</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>df_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>reference_member </font></strong></td>
<td style="text-align: left;">被选择基准的模式的名称</td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式,或者调整不同分组的排列顺序，例如通过设置gll_dict = {"member":["CMA_GFS","ECMWF"]},可以控制绘图结果中"CMA_GFS"在前,"ECMWF"在后。单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>save_path</strong></td>
<td style="text-align: left;">生成的图片的保存路径</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.contourf_2d_grid中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回DataArray数据，其中记录了每块区域上的检验值</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">result = mps.score_xz_df_delta(df_mid,mem.mae,s = {&quot;dtime&quot;:120,&quot;lat&quot;:40},reference_member = &quot;ctrl&quot;,
ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=d401b22c45b6d751cecd0556242cb68b&amp;file=file.png" alt="" /></p>
<h1>检验指标径向剖面_df</h1>
<p><strong><font face="黑体" color=blue size = 3>score_yz_df(df_mid,method,s = None,g = None,gll_dict = None,save_path = None,plot = True,**kwargs)</font></strong><br />
根据pandas.DataFrame格式的检验中间量，分类计算检验指标，绘制成平面图</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>df_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>g</strong></td>
<td style="text-align: left;">用于分组检验的参数，它是一个字符串，通常是df_mid 中除了id之外的列的列名称</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式,或者调整不同分组的排列顺序，例如通过设置gll_dict = {"member":["CMA_GFS","ECMWF"]},可以控制绘图结果中"CMA_GFS"在前,"ECMWF"在后。单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>save_path</strong></td>
<td style="text-align: left;">生成的图片的保存路径</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.contourf_2d_grid中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回DataArray数据，其中记录了每块区域上的检验值</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">#根据中间结果绘制检验指标的纬向剖面分布，按模式名称分类检验，并绘制不同子图中
result = mps.score_yz_df(df_mid,mem.mae,s = {&quot;dtime&quot;:120},g = &quot;member&quot;,
ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=0105f7c0227e2e6ff6aa3b2e6ea7d80a&amp;file=file.png" alt="" /></p>
<h1>检验指标技巧经向剖面_df</h1>
<p><strong><font face="黑体" color=blue size = 3>score_yz_df_delta(df_mid,method,reference_member,s = None,gll_dict = None,save_path = None,**kwargs)</font></strong><br />
根据pandas.DataFrame格式的检验中间量，计算检验指标的剖面分布场，再以其中1个模式的评分场作为基准，将其他模式的评分相对该基准的正负偏差</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>df_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>reference_member </font></strong></td>
<td style="text-align: left;">被选择基准的模式的名称</td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式,或者调整不同分组的排列顺序，例如通过设置gll_dict = {"member":["CMA_GFS","ECMWF"]},可以控制绘图结果中"CMA_GFS"在前,"ECMWF"在后。单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>save_path</strong></td>
<td style="text-align: left;">生成的图片的保存路径</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.contourf_2d_grid中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回DataArray数据，其中记录了每块区域上的检验值</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">result = mps.score_yz_df_delta(df_mid,mem.mae,s = {&quot;dtime&quot;:120},reference_member = &quot;ctrl&quot;,
ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=d4f1d7cca1c921367f2fbcf9633461ac&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#针对径向剖面结果中700hPa test 误差增大，为分析原因，绘制该层次的误差水平分布
result = mps.score_xy_df(df_mid,mem.mae,s = {&quot;dtime&quot;:120,&quot;level&quot; : 700},g = &quot;member&quot;,
ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=9587395b9d7bed58593ec298e383f8ab&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#针对径向剖面结果中700hPa test 误差增大，为分析原因，绘制该层次的技巧的水平分布
result = mps.score_xy_df_delta(df_mid,mem.mae,s = {&quot;dtime&quot;:120,&quot;level&quot; : 700},reference_member = &quot;ctrl&quot;,
ncol = 2,sup_fontsize = 8)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=4bbb6471e6287892eac03236a203110a&amp;file=file.png" alt="" /></p>
<p>上面的结果显示，改进（蓝色区域）主要位于北半球，变差（红色区域）主要位于南半球</p>
<h1>检验指标时间时效变化_df</h1>
<p><strong><font face="黑体" color=blue size = 3>score_tdt_df(df_mid, method, s=None, g=None, gll_dict=None, save_path=None,sup_title = "",** kwargs)</font></strong><br />
根据pandas.DataFrame格式的检验中间量，分类计算每个时间-时效的检验指标，绘制成平面图</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>df_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a></td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>g</strong></td>
<td style="text-align: left;">用于分组检验的参数，它是一个字符串，通常是df_mid 中除了id之外的列的列名称</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式,或者调整不同分组的排列顺序，例如通过设置gll_dict = {"member":["CMA_GFS","ECMWF"]},可以控制绘图结果中"CMA_GFS"在前,"ECMWF"在后。单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>save_path</strong></td>
<td style="text-align: left;">生成的图片的保存路径</td>
</tr>
<tr>
<td style="text-align: left;"><strong>sup_title</strong></td>
<td style="text-align: left;">总图的标题</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.contourf_2d_grid中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回DataArray数据，其中记录了每块区域上的检验值</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">#选取南半球一块误差变大较明显的区域，绘制一个月内所有时间、时效的误差情况
result = mps.score_tdt_df(df_mid,mem.rmse,s = {&quot;level&quot;:700,&quot;lon&quot;:[180,240],&quot;lat&quot;:[-30,0]},g=&quot;member&quot;,ncol = 2,cmap = &quot;mae&quot;)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=674767500c3e6bb67187459e48ae4b95&amp;file=file.png" alt="" /></p>
<pre><code class="language-python">#选取南半球一块误差变大较明显的区域，绘制一个月内所有时间、时效的误差技巧情况
result = mps.score_tdt_df_delta(df_mid,mem.rmse,s = {&quot;level&quot;:700,&quot;lon&quot;:[180,240],&quot;lat&quot;:[-30,0]},reference_member = &quot;ctrl&quot;,ncol = 2,cmap = &quot;me_bwr&quot;)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=bd2e6415693b3d9cccefd720e9786cfc&amp;file=file.png" alt="" /></p>
<p>检验结果显示不同一个月内132小时时效以内，分析区域的误差是普遍增大了</p>
<h1>检验指标分类统计_ds</h1>
<p><strong><font face="黑体" color=blue size = 3>score_ds(df_mid,method,s = None,g = None,gll_dict = None,plot = None,** kwargs)</font></strong><br />
根据xarray.DataSet格式的检验中间量，分类计算检验指标。</p>
<table>
<thead>
<tr>
<th style="text-align: left;">参数</th>
<th style="text-align: left;">说明</th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>ds_mid </font></strong></td>
<td style="text-align: left;">根据预报观测数据计算出的检验中间量</td>
</tr>
<tr>
<td style="text-align: left;"><strong><font face="黑体" color=blue size = 5>method </font></strong></td>
<td style="text-align: left;">method中的各类数值型检验指标的函数名称，例如在本页面中已经import meteva.method as mem ，则ts评分的函数名称可以写为mem.ts ，均方根误差计算函数的名称可以写为 mem.rmse。这些函数选项包括<a href="https://www.showdoc.cc/nmc?page_id=2858658548509727">连续型预报</a>，<a href="https://www.showdoc.cc/nmc?page_id=2860336958932349">二分类预报</a>,<a href="https://www.showdoc.cc/nmc?page_id=2859693269266585">多分类预报</a>,<a href="https://www.showdoc.cc/nmc?page_id=3651805946039771">概率预报</a>,<a href="https://www.showdoc.cc/nmc?page_id=3629735872716279">集合预报</a>等类别中的评分函数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>s</strong></td>
<td style="text-align: left;">用于选择数据样本的字典参数，具体的参数说明可参见meb.sele_by_dict中的<a href="https://www.showdoc.cc/meteva?page_id=3975604785954540"><font face="黑体" color=red size=5>s</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>g</strong></td>
<td style="text-align: left;">用于分组检验的参数，它可以是字符串，表示按单一维度分类,也可也是字符串的列表，表示同时按多个维度进行分类。对于单个分类参数，具体用法可参见meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>g</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>gll_dict</strong></td>
<td style="text-align: left;">用于记录每个分类维度的具体分类方式，单个维度具体用法见下面的示例以及meb.group中的<a href="https://www.showdoc.cc/meteva?page_id=4071849185300418"><font face="黑体" color=red size=5>gll</font></a>参数</td>
</tr>
<tr>
<td style="text-align: left;"><strong>plot</strong></td>
<td style="text-align: left;">是否需要直接将检验结果绘制图片，该参数为None时不绘制，当参数为"bar"时绘制柱状图，当参数为"plot"或"line"时绘制线条图</td>
</tr>
<tr>
<td style="text-align: left;">**kwargs</td>
<td style="text-align: left;">meteva.base.bar或meteva.base.plot 中的可选参数，具体用法参见下面的示例</td>
</tr>
<tr>
<td style="text-align: left;"><font face="黑体" color=blue size=5>return</font></td>
<td style="text-align: left;">返回一个元组，其包含2个元素，其中第0个元素是数值检验指标的numpy数组，第1个元素是对numpy数组的维度描述字典</td>
</tr>
</tbody>
</table>
<p><strong>调用示例：</strong></p>
<pre><code class="language-python">#统计检验中间量
ds_hfmc = mps.middle_ds_sta(sta_all,meteva.method.hfmc,grade_list=[0.1,10,25,50,100,250],gid=id_province)
print(ds_hfmc) # Data variables 中的 H\F\M\C分别代表命中、空报、漏报、报无未出的样本数。</code></pre>
<pre><code>&lt;xarray.Dataset&gt;
Dimensions: (dtime: 3, grade: 6, member: 2, province: 31, time: 19)
Coordinates:
* time (time) datetime64[ns] 2022-07-11T08:00:00 ... 2022-07-20T08:00:00
* dtime (dtime) int64 24 48 72
* member (member) object 'ECMWF' 'SCMOC'
* province (province) object '上海' '云南' '内蒙古' '北京' ... '重庆' '陕西' '青海' '黑龙江'
* grade (grade) float64 0.1 10.0 25.0 50.0 100.0 250.0
Data variables:
H (time, dtime, member, province, grade) float64 1.0 0.0 ... nan nan
F (time, dtime, member, province, grade) float64 7.0 1.0 ... nan nan
M (time, dtime, member, province, grade) float64 0.0 0.0 ... nan nan
C (time, dtime, member, province, grade) float64 2.0 9.0 ... nan nan</code></pre>
<pre><code class="language-python">#统计检验中间量,以xarray的DataSet形式返回
ds_tase = mps.middle_ds_sta(sta_all,meteva.method.tase,gid=id_province)
print(ds_tase) # 结果中的Data variables中的H\F\M\C分别记录了命中、空报、漏报、报无未出的样本数据。</code></pre>
<pre><code>&lt;xarray.Dataset&gt;
Dimensions: (dtime: 3, member: 2, province: 31, time: 19)
Coordinates:
* time (time) datetime64[ns] 2022-07-11T08:00:00 ... 2022-07-20T08:00:00
* dtime (dtime) int64 24 48 72
* member (member) object 'ECMWF' 'SCMOC'
* province (province) object '上海' '云南' '内蒙古' '北京' ... '重庆' '陕西' '青海' '黑龙江'
Data variables:
T (time, dtime, member, province) float64 10.0 125.0 ... 43.0 77.0
E (time, dtime, member, province) float64 23.39 106.8 ... -149.8
A (time, dtime, member, province) float64 23.39 343.5 ... 0.93 181.3
S (time, dtime, member, province) float64 152.5 ... 4.071e+03</code></pre>
<pre><code class="language-python">#将多个中间量合并到一个变量中
ds_all = ds_hfmc.merge(ds_tase)
print(ds_all)</code></pre>
<pre><code>&lt;xarray.Dataset&gt;
Dimensions: (dtime: 3, grade: 6, member: 2, province: 31, time: 19)
Coordinates:
* time (time) datetime64[ns] 2022-07-11T08:00:00 ... 2022-07-20T08:00:00
* dtime (dtime) int64 24 48 72
* member (member) object 'ECMWF' 'SCMOC'
* province (province) object '上海' '云南' '内蒙古' '北京' ... '重庆' '陕西' '青海' '黑龙江'
* grade (grade) float64 0.1 10.0 25.0 50.0 100.0 250.0
Data variables:
H (time, dtime, member, province, grade) float64 1.0 0.0 ... nan nan
F (time, dtime, member, province, grade) float64 7.0 1.0 ... nan nan
M (time, dtime, member, province, grade) float64 0.0 0.0 ... nan nan
C (time, dtime, member, province, grade) float64 2.0 9.0 ... nan nan
T (time, dtime, member, province) float64 10.0 125.0 ... 43.0 77.0
E (time, dtime, member, province) float64 23.39 106.8 ... -149.8
A (time, dtime, member, province) float64 23.39 343.5 ... 0.93 181.3
S (time, dtime, member, province) float64 152.5 ... 4.071e+03</code></pre>
<pre><code class="language-python"># 所有基于hfmc计算的检验指标，都可以基于df_hfmc来计算，例如下面是计算bias的方法
score_array,g_name_dict = mps.score_ds(ds_hfmc,mem.ts,g = [&quot;dtime&quot;,&quot;grade&quot;,&quot;member&quot;],plot = &quot;bar&quot;)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=86ae78513e0db9402199d5c81676ec64&amp;file=file.png" alt="" /></p>
<pre><code class="language-python"># 基于包含多种中间量的DataSet，同样可以计算评分
score_array,g_name_dict = mps.score_ds(ds_all,mem.ts,g = [&quot;dtime&quot;,&quot;grade&quot;,&quot;member&quot;],plot = &quot;bar&quot;)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=86ae78513e0db9402199d5c81676ec64&amp;file=file.png" alt="" /></p>
<pre><code class="language-python"># 所有基于hfmc计算的检验指标，都可以基于df_hfmc来计算，例如下面是计算bias的方法
score_array,g_name_dict = mps.score_ds(ds_all,mem.me,g = [&quot;member&quot;,&quot;dtime&quot;],plot = &quot;bar&quot;,vmin = 0)</code></pre>
<p><img src="https://www.showdoc.com.cn/server/api/attachment/visitFile?sign=5a9513c47d5b47d938da17f4c05df650&amp;file=file.png" alt="" /></p>